Improvement of the prevention of long term sick leave due to low back pain: from an individual prediction to a tailored treatment (WC2015-050)

Background

Starting date: 01/02/2015

Klachten van het bewegingsapparaat en in het bijzonder rugklachten zijn de meest voorkomende en duurste aandoeningen in de Westerse samenleving. Jaarlijks meldt 7% van de beroepsbevolking zich ziek met lage rugklachten. Daarnaast zitten +/- 150.000 werknemers in de WAO door rugklachten. De kosten voor de Nederlandse samenleving zijn ongeveer € 3,6 miljard per jaar. Het grootste deel (93%) van deze kosten wordt veroorzaakt door verzuim- en arbeidsongeschiktheidsuitkeringen. Bij ArboNed, een van de grootste landelijke arbodiensten in Nederland, verzuimen er jaarlijks meer dan 525.000 werknemers vanwege rugklachten. Na een half jaar zijn dit er nog 19.000 en na 1 jaar nog ruim 8.000.

Tot nu toe zijn een aantal studies uitgevoerd om te bepalen welke factoren gerelateerd zijn aan langdurig werkverzuim door rugklachten. Deze onderzoeken rapporteerden sterk tot middelmatig bewijs voor factoren als eerdere episoden van verzuim, werk-gerelateerde fysieke en psychosociale factoren als zwaar tillen of arbeidstevredenheid, en psychologische factoren als pijncoping en angst voor het bewegen (1;2). Echter, de resultaten van deze studies zijn niet goed generaliseerbaar naar andere populaties van werknemers door de grote heterogeniteit in kenmerken van werknemers tussen de studies. Daardoor zijn de resultaten niet bruikbaar voor Arbo professionals van ArboNed. Binnen ArboNed wordt ook veel informatie verzameld via het periodiek medisch onderzoek (PMO). Dit betreft informatie over factoren als werk-gerelateerde stress, werkplek en werkomstandigheden (kantoor- of productieomgeving), werkvermogen, leefstijlfactoren, bewegen, roken, alcohol, voeding en psychosociale arbeidsbelasting (werkdruk, agressie). Deze informatie wordt bij ArboNed veelal verzameld via gestandaardiseerde en gevalideerde vragenlijsten en door Arbo professionals als bedrijfsartsen gebruikt om vroegtijdig een inschatting te maken van het verzuim risico van werknemers. Opmerkelijk is dat voor deze inschatting zelf geen transparante evidence-based technieken of instrumenten worden gebruikt waardoor het onduidelijk is wat de relatieve bijdrage is van elk van de factoren bij de ontwikkeling van langdurig verzuim door rugklachten. Er is dan ook binnen ArboNed een sterke behoefte aan evidence-based instrumenten om langdurig verzuim door rugklachten beter te kunnen voorspellen.

Op basis van factoren die een rol spelen bij langdurig werkverzuim door rugklachten kunnen klinische predictie-regels ontwikkeld worden (3). Dit zijn praktische instrumenten waarmee op basis van individuele kenmerken van werknemers onderscheid gemaakt kan worden tussen patiënten met een hoog en laag risico op langdurig verzuim door rugklachten. Met deze instrumenten kan gemakkelijk een betrouwbare evidence-based inschatting van het risico op langdurig verzuim gemaakt worden. Predictieregels geven een transparant beeld over de individuele risico-inschatting op langdurig verzuim door rugklachten en zijn daarmee richtinggevend voor het opstellen van een op de individuele werknemer afgestemd behandelplan. Predictieregels zijn daardoor aantrekkelijk voor Arbo professionals binnen ArboNed om te gebruiken in de praktijk. Binnen de bedrijfsgeneeskunde en binnen ArboNed zijn er echter nog maar weinig tot geen goede en voor de praktijk bruikbare predictieregels ontwikkeld.

De verwijzing naar een behandeling door bedrijfsartsen binnen ArboNed van verzuimende werknemers met lage rugklachten is veelal gebaseerd op gerandomiseerde gecontroleerde studies (RCT's). Echter, de resultaten van RCT’s zijn vaak maar beperkt generaliseerbaar. In RCT’s worden strikte in- en exclusie criteria gehanteerd en reflecteren daarmee niet de heterogeniteit in kenmerken die bestaat bij de populatie van werknemers die ArboNed begeleidt. RCT’s worden meestal ook beperkt tot een relatief korte follow-up periode, waardoor de effectiviteit op langere termijn vaak onduidelijk is. Deze beperkingen hebben geleid tot een toename in onderzoek naar het schatten van behandeleffecten uit observationele studies (4), met als voordelen: 1) de setting en de interventie sluiten meer aan bij de praktijk, 2) de onderzoekspopulatie is ruimer gedefinieerd dan de strikte criteria in RCT’s, 3) de sample size is meestal groter dan in RCT’s, 4) en de resultaten hebben een hogere externe validiteit. Echter, belangrijk bij het schatten van behandeleffecten in observationele studies is de noodzaak om te corrigeren voor verschillen in kenmerken van werknemers omdat de toewijzing naar een behandeling vaak niet willekeurig is maar afhangt van de ernst van de aandoening. De laatste jaren zijn er geavanceerde innovatieve methoden ontwikkeld om de effectiviteit te beoordelen vanuit observationele gegevens als, propensity score analyse (5)en instrumentele variabele analyse (6). Deze methoden corrigeren door middel van meerdere covariaten in een andere, meer verfijnde manier dan de traditionele aanpassing. De toepassing van deze methoden voor het schatten van behandeleffecten binnen de bedrijfsgezondheidszorg is echter nog niet eerder onderzocht, terwijl dit voor ArboNed een stap voorwaarts is naar effectieve verzuimbegeleiding.

Referenties:

  (1)    Roelen C, van Rhenen W, Groothoff JW, van der Klink J, Twisk J, Heymans MW. Work ability as prognostic risk marker of disability pension: single-item work ability score versus multi-item work ability index. Scand J Work Environ Health 2014;40(4):428-31.

  (2)    Dekkers-Sánchez PM, Hoving JL, Sluiter JK, Frings-Dresen MH. Factors associated with long-term sick leave in sick-listed employees: a systematic review. Occupational and environmental medicine 2008;65(3):153-7.

  (3)    Royston P, Moons KG, Altman DG, Vergouwe Y. Prognosis and prognostic research: developing a prognostic model. Bmj 2009;Mar(31):338.

  (4)    D'Agostino RB. Estimating treatment effects using observational data. Jama 2007;297(3):314-6.

  (5)    Rubin DB. Estimating causal effects from large data sets using propensity scores. Annals of internal medicine 1997;127(8_part_2):757-63.

  (6)    Greenland S. An introduction to instrumental variables for epidemiologists. International journal of epidemiology 2000;29(4):722-9.